KDDSep, 2023
基于时空对比自监督学习的 POI 级人群流推理
Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd Flow Inference
Songyu Ke, Ting Li, Li Song, Yanping Sun, Qintian Sun...
TL;DR准确获取景点的人群流量对于有效的交通管理、公共服务和城市规划至关重要。然而，由于城市感知技术的限制，大多数数据来源的质量不足以监测每个景点的人群流量，从低质量数据推断准确的人群流量成为一项关键且具有挑战性的任务。为了应对这些挑战，我们将人群流量推测问题重新定义为自监督的属性图表示学习任务，并引入了一种名为 Contrastive Self-learning framework for Spatio-Temporal data (Model) 的新颖方法。我们的方法首先基于景点及其之间的距离构建了一个空间邻接图，然后采用对比学习技术来利用大量无标签的时空数据。我们采用了交换预测方法来预测目标子图的表示形式。在预训练阶段之后，模型通过准确的人群流量数据进行微调。我们在两个真实数据集上进行的实验证明，经过广泛噪声数据的预训练的 Model 始终优于从头开始训练的模型。